BME VIK - Adatbányászati algoritmusok

magyar nyelvű adatlap

vissza a tantárgylistához nyomtatható verzió

Adatbányászati algoritmusok

A tantárgy angol neve: Data Mining Algorithms

Adatlap utolsó módosítása: 2012. május 30.

Tantárgy lejárati dátuma: 2015. június 30.

Budapesti Műszaki és Gazdaságtudományi Egyetem
Villamosmérnöki és Informatikai Kar

Villamosmérnöki Szak

Mérnök Informatikus Szak

Szabadon választható tantárgy

Tantárgykód	Szemeszter	Követelmények	Kredit	Tantárgyfélév
VISZJV68		4/0/0/v	4

3. A tantárgyfelelős személy és tanszék Dr. Pintér Márta,

4. A tantárgy előadója

Név:	Beosztás:	Tanszék, Int.:
Dr. Bodon Ferenc	egy. adjunktus	SZIT, BME

5. A tantárgy az alábbi témakörök ismeretére épít

Algoritmusok elmélete, lineáris algebra, gráfelmélet, valószínűségszámítás, adatbázis-elmélet

6. Előtanulmányi rend

Kötelező:

NEM ( TárgyTeljesítve("BMEVIMA9068") )
VAGY
NEM ( TárgyTeljesítve("BMEVISZ5288") )
VAGY
NEM (Szakirany("I.Üzleti2", "- ") )
VAGY
NEM (Szakirany("MMIÜzletiinf", "- ") )

A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

Ajánlott:

Tematikaütközés miatt a tárgyat csak azok vehetik fel, akik korábban nem hallgatták a következő tárgyakat:

Neptun-kód Cím

VISZ5288 Adatbányászat és pénzügyi folyamatok

VIMA9068 Adatbányászati algoritmusok

7. A tantárgy célkitűzése

Az alapvető adatbányászati algoritmusok ismertetése.

8. A tantárgy részletes tematikája 1. hét

* Adatbányászat fogalma, története, feladatai, statisztika kontra

adatbányászat, tudásfeltárás folyamata

* Alkalmazási területek, sikeres alkalmazások, adatbányászat

szoftverek, WEKA, etikai kérdések, elvárások

2. hét

* Előfeldolgozás: attribútum típusok, alapvető statisztikai értékek

(mintaátlag, korrigált empirikus szórás, medián kvantilisek,

kvartilisek, ferdeség, lapultság), hasonlóság-különbözőség

meghatározása, súlyozás, normalizálás

* hiányzó értékek kezelése, diszkretizálás, mintavételezés (Csernov

korlátos, bináris és hipergeometrikus eloszláson alapuló elemzés)

3. hét

* Dimenziócsökkentés: szinguláris érték szerinti felbontás (SVD),

főkomponens analízis (PCA)

* Gyakori elemhalmazok kinyerésének (GYEK) feladata, alapvető fogalmak

(támogatottság/gyakoriság, fedés, gyakori elemhalmaz) adatábrázolási

módok, gyakori elemhalmazok keresési tere, GYEK algoritmusok főbb

jellemzői, fogalmai (pl. jelölt, ismétlés nélküli jelölt-előállítás)

4. hét

* Apriori algoritmus, szófa a gyakori elemhalmazok tárolására,

minimális szófa problémája

* Modern processzorok felépítése és ennek hatása az algoritmusokra

(memóriahierarchia, adatlokalitás, blokkfeldolgozás,

elágazás-előrejelzés, előreolvasás, adatfüggetlenség,

vektoros/pipe-lineos feldolgozás), az Apriori algoritmus gyorsítása:

bementet tárolása (piros-fekete fa), zsákutca nyesés,

5. hét

* az Apriori gyorsítása: tranzakciók zsugorítása, ekvisupport nyesés,

Borgelt technikája, az Eclat algoritmus

* nem bővíthető gyakori elem, zárt és pszeudozár elemhalmazok és ezek

kinyerése

6. hét

* Az asszociációs szabály fogalma, szabályok kinyerése, maximális

következményrészű szabályok, Duquenne--Guigues-bázis

* A függetlenség meghatározása: lift érték, empirikus

kovariancia/korreláció, statisztikus megközelítések: chi^2 próba,

binomiális próba

7. hét

* Fisher-féle egzakt próba, asszociációs szabályok rangsora

függetlenségi mutatók alapján, értékinvariancia, a chi^2 statisztika

és az empirikus korreláció kapcsolata, a legkisebb mintájú, nagy

bizonyosságú összefüggés-feltárás,

* általánosság/specialitás, hierarchikus asszociációs szabályok,

korreláció kontra implikáció, asszociációs szabályok és az osztályozás

8. hét

* Bevezetés az osztályozásba és a regresszióba, osztályozó módszerek,

módszerekkel szembeni elvárások, osztályozás feladata, elméleti

regressziós görbe,

* Legközelebbi szomszéd módszere, kd-fa, dimenzióátok

9. hét

* lineárisan szeparálható osztályok, perceptron tanulási szabály,

winnow módszer, rocchio módszer

· lineáris regresszió, attribútum-kiválasztás

10. hét

* logisztikus regresszió, mesterséges neurális hálózatok

* döntési szabályok, döntési szabályok kifejezőereje, szabályhalmazok

és sorozatok, döntési táblázatok, 0R/1R algoritmusok, prism módszer

11. hét

* döntési fák felépítése, döntési fák és döntési szabályok, minimális

döntési fa feladata, ID3 algoritmus (feltételes entrópia), CART/CHAID

módszerek lényege

* vágási függvények, Taylor-Silverman elvárások, GINI index, DKM,

chi^2 statisztika, power divergence függvény, döntési fák nyesése

12. hét

* bayesi hálózatok, naiv bayesi hálók (NBH), az NBH és a logisztikus

regresszió kapcsolata

* osztályozók kombinálása: bagging, randomizálás, boosting,

13. hét

* osztályozók kiértékelése: ismételt mintavételezés, keresztvalidáció

(leave-one-out), bootstrap, kappa statisztikai, osztályozók

összehasonlítása, keveredési mátrix,

· klaszterezés alapfogalmai, Kleinberg-féle lehetetlenség-elmélet,

klaszterező algoritmusok csoportjai, algoritmussal szemben támasztott

elvárások, klaszterezés klasszikus jósági mutatói

14. hét

* partíciós algoritmusok: k-közép, k-mediod, clarans

* hierarchikus és sűrűség-alapú módszerek

9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

Előadás

10. Követelmények

a. A szorgalmi időszakban: ZH

b. A vizsgaidőszakban: vizsga

11. Pótlási lehetőségek

Sikertelen zárthelyi a szorgalmi időszakban a pótzárthelyin pótolható.
A sikertelen (pót)zárthelyi a pótlási héten különeljárási díj ellenében egy további alkalommal pótolható.

13. Jegyzet, tankönyv, felhasználható irodalom

Bodon Ferenc Adatbányászati algoritmusok

http://www.cs.bme.hu/~bodon/magyar/adatbanyaszat/tanulmany/index.html

14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka

Kontakt óra	56
Félévközi készülés órákra	24
Felkészülés zárthelyire	14
Házi feladat elkészítése
Kijelölt írásos tananyag elsajátítása
Vizsgafelkészülés	26
Összesen	120

15. A tantárgy tematikáját kidolgozta

Név:	Beosztás:	Tanszék, Int.:
Dr. Bodon Ferenc	egy.adjunktus	SZIT, BME

Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

Adatbányászati algoritmusok